CN111582224A - 人脸识别系统及方法 - Google Patents
人脸识别系统及方法 Download PDFInfo
- Publication number
- CN111582224A CN111582224A CN202010425126.9A CN202010425126A CN111582224A CN 111582224 A CN111582224 A CN 111582224A CN 202010425126 A CN202010425126 A CN 202010425126A CN 111582224 A CN111582224 A CN 111582224A
- Authority
- CN
- China
- Prior art keywords
- face
- module
- person
- identified
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C9/00—Individual registration on entry or exit
- G07C9/30—Individual registration on entry or exit not involving the use of a pass
- G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
- G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
Abstract
本发明公开了人脸识别系统及方法,该人脸识别系统包括人脸获取模块、人脸特征抽取模块、人脸识别模块以及人脸索引模块;所述人脸获取模块用于获取待识别者的人脸图像;所述人脸特征抽取模块用于从所述人脸图像中提取待识别者的人脸特征数据;所述人脸识别模块用于将所述待识别者的人脸特征数据与所述人脸索引模块存储的已知身份的样本数据进行相似度匹配;所述人脸特征抽取模块是以轻量级神经网络为基础,将GDConv Block替换掉轻量级神经网络的全局平均池化层所构成的深度神经网络,使得神经网络更深,泛化能力更强,鲁棒性更好,能在保证准确率的基础上,快速的提取待识别者的人脸特征数据,进而快速且准确的识别待识别者的身份。
Description
技术领域
本发明涉及人脸识别领域,尤其涉及人脸识别系统及方法。
背景技术
人脸识别技术是一个非常重要的身份授权技术,近年以来,该技术越来越多的在基于ARM(Advanced RISC Machines,一个32位元精简指令集处理器架构)芯片的移动设备和嵌入式设备中得到应用,如设备解锁、应用登录、移动支付等等。一些移动设备、嵌入式设备已经配置了人脸识别技术,比如智能手机解锁、高铁站入口闸机、社区人脸门禁,这些都必须离线运行。为了在有限的计算资源上获得更好的用户体验,人脸识别的模型需要在这些设备上进行本地化部署,这就对模型的精度和性能有了更高的要求。现在的高精度人脸识别的算法模型都是基于深度神经网络实现的,并且一般采用的都是网络层次非常深、非常大的卷积神经网络,这种大的卷积神经网络模型对计算资源的要求非常高,并不适合在大多数的移动端和嵌入式设备上使用。
基于ARM的深度学习端侧推理引擎也应运而生,如NCNN(腾讯开源的手机端极致优化的高性能神经网络前向计算框架),TVM(一种用于深度学习系统的编译器堆栈)、MNN(阿里正式开源的轻量级深度学习端侧推理引擎)等。腾讯的NCNN就是一个极致优化的高性能神经网络前向计算框架,NCNN使得神经网络模型能够很方便的在移动端、嵌入式设备中进行部署和使用,无第三方依赖,跨平台,在移动终端和嵌入式设备上cpu(centralprocessing unit,中央处理器)的速度快于目前所有已知的开源框架。不断涌现出来的优秀的神经网络端侧推理引擎也从一个层面反映出了前端设备对于AI(ArtificialIntelligence,人工智能)的巨大需求,深度学习在移动设备、嵌入式设备上的应用将越来越广泛,前端设备智能化是一个极其重大的趋势,自动驾驶、智能制造、智慧城市、智慧社区等等都需要更多的前端设备能够实现一定程度的智能化。基于ARM的端侧推理引擎使得人脸识别算法能够更轻松、更流畅在移动终端、嵌入式设备中应用,神经网络算法能够轻松的在前端设备上部署,并且大幅提升算法的执行性能。
对于大规模高维数据的检索,通常利用基于哈希的索引,或者基于划分或支撑点的度量空间索引方法构建高维特征空间索引,从而实现高速数据的快速检索。人脸识别需要在高维的人脸特征数据底库中进行匹配,当底库比较小时,采用线性遍历的方式基本能满足需求,一旦底库增大,线性遍历的方式进行匹配就显得相当耗时。因此,在保证人脸识别精确度的同时,如何更快的识别出待识别者的身份已成为本领域技术人员亟待解决的技术问题。
发明内容
本发明提供了人脸识别系统及方法,用以解决现有的人脸识别系统识别速度慢的技术问题。
为解决上述技术问题,本发明提出的技术方案为:
一种人脸识别系统,包括:人脸获取模块、人脸特征抽取模块、人脸识别模块以及人脸索引模块;所述人脸获取模块用于获取待识别者的人脸图像,并将所述人脸图像输入所述人脸特征抽取模块;所述人脸特征抽取模块用于从所述人脸图像中提取待识别者的人脸特征数据,并将所述待识别者的人脸特征数据输入至所述人脸识别模块;所述人脸识别模块用于将所述待识别者的人脸特征数据与所述人脸索引模块存储的已知身份的样本数据进行相似度匹配,并根据所述相似度匹配的结果确定待识别者的身份;所述人脸特征抽取模块是以轻量级神经网络为基础,将GDConv Block(Global Depthwise ConvolutionBlock,全局深度卷积块)替换掉轻量级神经网络的全局平均池化层所构成的深度神经网络。
优选的,所述轻量级神经网络为Google MobileNet V2(Google开发的轻量级神经网络框架),所述GDConv Block采用3×3或者5×5的深度分离卷积层堆叠而成。
优选的,所述人脸获取模块包括视频采集模块和设置在ARM中运行的人脸检测模块,所述采集模块用于采集待识别者的视频序列,并将所述视频序列输入人脸检测模块中;所述人脸检测模块用于从所述视频序列检测出待识别者的人脸图像,并将所述人脸图像输入所述人脸特征抽取模块。
优选的,所述人脸索引模块包括度量空间,所述度量空间的索引通过支撑点对所述样本数据进行划分,并使用iDistance[2](IDistance[2]是一种高维数据划分的方法)将所述样本数据映射到一维的线性空间,将所述样本数据以B+-Tree(B+-Tree为数据库的一种索引结构)结构进行索引、存储,且使用双支撑点对B+-Tree结构的所述样本数据进行剪枝,剪枝条件如公式(1)所示:
d(pi,q)-d(p(0)q,q)>2×r(1)
其中,r为查询范围,q为查询数据对象,即待识别者的人脸特征数据,p为支撑点,存在n个支撑点序列;d(pi,q)为支撑点pi到查询数据q之间的距离,i=1,2,…,n;p(0)q为距离q最近的支撑点。
优选的,所述人脸识别模块用于在所述相似度匹配的结果中选取相似度大于设定阈值,且相似度最高的样本数据所对应的已知身份作为待识别者的身份。
优选的,还控制模块和门禁装置,所述控制模块分别与所述人脸识别模块以及门禁装置连接,所述人脸识别模块还用于识别出待识别者的身份后,将待识别者的身份发送给所述控制模块,所述控制模块用于接收并根据所述待识别者的身份解锁门禁。
一种人脸识别方法,包括以下步骤:
通过人脸获取模块获取待识别者的人脸图像,并将所述人脸图像输入人脸特征抽取模块;
通过人脸特征抽取模块从所述人脸图像中提取待识别者的人脸特征数据,并将所述待识别者的人脸特征数据输入至人脸识别模块,所述人脸特征抽取模块是以轻量级神经网络为基础,将GDConv Block替换掉轻量级神经网络的全局平均池化层所构成的深度神经网络。
通过人脸识别模块将所述待识别者的人脸特征数据与人脸索引模块存储的已知身份的样本数据进行相似度匹配,并根据所述相似度匹配的结果确定待识别者的目标识别对象。
优选的,所述轻量级神经网络为Google MobileNet V2神经网络,所述GDConvBlock采用3×3或者5×5的深度分离卷积层堆叠而成。
优选的,根据所述相似度匹配的结果确定待识别者的目标识别对象,具体为:在所述相似度匹配的结果中选取相似度大于设定阈值,且相似度最高的样本数据所对应的已知身份作为待识别者的身份。
优选的,所述人脸识别模块还在识别出待识别者的身份后,将待识别者的身份发送给控制模块;
控制模块接收并根据所述待识别者的身份解锁门禁装置,使待识别者进入。
本发明具有以下有益效果:
1、本发明中的人脸识别系统及方法,通过以轻量级神经网络为基础,将GDConvBlock替换掉轻量级神经网络的全局平均池化层所构成的深度神经网络作为人脸特征抽取模块,使得神经网络更深,泛化能力更强,鲁棒性更好,能在保证准确率的基础上,快速的提取待识别者的人脸特征数据,进而快速且准确的识别待识别者的身份。
2、在优选方案中,本发明中的人脸检测模块设置在ARM中运行,能够提升人脸识别在嵌入式环境中的识别精度和实时性,在ARM终端完成人脸识别的全过程,相对于基于服务端进行人脸识别的方式具备更强的实时性,不受网络延时的影响,部署、维护更加方便。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明中的人脸识别系统的结构简图;
图2是本发明优选实施例中的人脸识别系统的结构简图;
图3是本发明优选实施例中的第一种GDConv Block的结构简图;
图4是本发明优选实施例中的第二种GDConv Block的结构简图;
图5是本发明优选实施例中的人脸识别系统的工作流程图;
图6是本发明优选实施例中的人脸识别系统的人脸索引模块的工作流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例一:
如图1所示,本发明公开了一种人脸识别系统,包括:人脸获取模块、人脸特征抽取模块、人脸识别模块以及人脸索引模块;所述人脸获取模块用于获取待识别者的人脸图像,并将所述人脸图像输入所述人脸特征抽取模块;所述人脸特征抽取模块用于从所述人脸图像中提取待识别者的人脸特征数据,并将所述待识别者的人脸特征数据输入至所述人脸识别模块;所述人脸识别模块用于将所述待识别者的人脸特征数据与所述人脸索引模块存储的已知身份的样本数据进行相似度匹配,并根据所述相似度匹配的结果确定待识别者的身份;所述人脸特征抽取模块是以轻量级神经网络为基础,将GDConv Block(GlobalDepthwise Convolution Block,全局深度卷积块)替换掉轻量级神经网络的全局平均池化层所构成的深度神经网络。
此外,在本实施例中,还公开一种人脸识别方法,包括以下步骤:
通过人脸获取模块获取待识别者的人脸图像,并将所述人脸图像输入人脸特征抽取模块;
通过人脸特征抽取模块从所述人脸图像中提取待识别者的人脸特征数据,并将所述待识别者的人脸特征数据输入至人脸识别模块,所述人脸特征抽取模块是以轻量级神经网络为基础,将GDConv Block替换掉轻量级神经网络的全局平均池化层所构成的深度神经网络。
通过人脸识别模块将所述待识别者的人脸特征数据与人脸索引模块存储的已知身份的样本数据进行相似度匹配,并根据相似度匹配的结果确定待识别者的目标识别对象。
本发明中的人脸识别系统及方法以轻量级神经网络为基础,将GDConv Block替换掉轻量级神经网络的全局平均池化层所构成的深度神经网络作为人脸特征抽取模块,使得神经网络更深,泛化能力更强,鲁棒性更好,能在保证准确率的基础上,快速的提取待识别者的人脸特征数据,进而快速且准确的识别待识别者的身份。
实施例二:
实施例二是实施例一的优选实施例,其与实施例一的不同之处在于,对人脸识别系统的结构和功能进行了拓展,对人脸识别方法的步骤进行了细化:
在本实施例中,如图2所示,公开了一种人脸识别系统,包括:
视频采集模块,该模块通过摄像头采集被识别者的视频序列,并将所述视频序列输入人脸检测模块中;
人脸检测模块,所述人脸检测模块在ARM中运行,直接从视频序列中进行人脸检测,即从所述视频序列检测出待识别者的人脸图像,并将所述人脸图像输入所述人脸特征抽取模块;
人脸特征抽取模块,从所述人脸图像中提取待识别者的人脸特征数据,并将所述待识别者的人脸特征数据输入至所述人脸识别模块;
人脸索引模块,该模块负责已知身份的样本数据的索引的构建、存储和检索,采用基于度量空间索引进行存储、检索;
人脸识别模块,该模块将所述待识别者的人脸特征数据与所述人脸索引模块存储的已知身份的样本数据进行相似度匹配,在所述相似度匹配的结果中选取相似度大于设定阈值,且相似度最高的样本数据所对应的已知身份作为待识别者的身份;且在识别出待识别者的身份后,将待识别者的身份发送给所述控制模块。
在本实施例中,除了人脸视频采集在摄像头,其他模块都在ARM上实现,即人脸检测模块、人脸特征抽取模块、人脸索引模块以及人脸识别模块均在ARM上实现。
控制模块,该模块负责设备的通行控制,识别成功,则设备开锁放行,即接收并根据所述待识别者的身份解锁门禁。
在本实施例中,人脸特征抽取模块采用基于Google MobileNet V2网络优化的人脸识别神经网络,采用了一种GDConv Block(Global Depthwise Convolution Block,全局深度卷积块),替换原MobileNet V2的全局平均池化层,增强了网络的表示能力。所述GDConv Block采用3×3或者5×5的深度分离卷积层堆叠而成,其中,如图3所示,所述GDConv Block可采用一个3×3的深度分离卷积层和一个5×5的深度分离卷积层堆叠而成;如图4所示,所述GDConv Block可采用3个3×3的深度分离卷积层堆叠而成。输入人脸采用112×112进行对齐,整体的网络架构如表1所示,表中参数和MobileNet V2中保持一致,Input表示输入图像,Operator表示卷积操作,t代表bottleneck(瓶颈层)中的膨胀系数,c代表输出通道,n代表bottleneck结构的重复次数,s代表卷积计算中使用的stride(卷积步长参数)值。
Input | Operator | t | c | n | s |
112<sup>2</sup>×3 | conv3×3 | - | 64 | 1 | 2 |
56<sup>2</sup>×64 | bottleneck | 2 | 64 | 2 | 1 |
56<sup>2</sup>×64 | bottleneck | 2 | 128 | 1 | 2 |
28<sup>2</sup>×128 | bottleneck | 3 | 128 | 4 | 1 |
28<sup>2</sup>×128 | bottleneck | 3 | 128 | 1 | 2 |
14<sup>2</sup>×128 | bottleneck | 2 | 128 | 6 | 1 |
14<sup>2</sup>×128 | bottleneck | 2 | 128 | 1 | 2 |
7<sup>2</sup>×128 | bottleneck | 4 | 256 | 4 | 1 |
7<sup>2</sup>×256 | conv1×1 | - | 512 | 1 | 1 |
7<sup>2</sup>×512 | GDConv Block | - | 512 | 1 | 1 |
1<sup>2</sup>×512 | Linear conv1×1 | - | 256 | 1 | 1 |
为提升模型的实时性能,该网络使用的膨胀系数t相对于MobileNet V2中减小了。较大的膨胀系数容易导致bottleneck中卷积计算耗时大幅增加,但并不会显著改善识别精度,因此本发明所使用的神经网络架构对膨胀系数t进行了优化调整。
其中,人脸索引模块的度量空间索引基于支撑点进行人脸特征数据的划分,利用iDistance[2](iDistance[2]是一种高维数据划分的方法,能够将多维数据通过数据划分后映射到一维空间,实现数据降维的目标,为距离度量提供依据)将高维的人脸特征数据映射到一维的线性空间,基于B+-Tree进行索引存储利用双支撑点(Double-Pivot)对高维的人脸特征数据进行剪枝,B+Tree数据都存储在叶子节点,采用二分查找法可以利用索引快速定位数据所在的叶子节点,实现快速检索的目标,剪枝条件如公式(1)所示:
d(pi,q)-d(p(0)q,q)>2×r (1)
其中:
a)r为查询范围,q为查询数据对象,p为支撑点,存在n个支撑点序列;
b)d(pi,q)为支撑点pi到查询数据q之间的距离,i=1,2,…,n;
c)p(0)q为距离q最近的支撑点。
利用双支撑点进行剪枝,能获得较高的相似检索性能,可以用于解决高维人脸特征数据索引问题,大幅提升人脸识别、匹配的性能。
所述度量空间索引采用的检索方式为范围查询,既返回查询半径小于r的所有对象,通过深度遍历B+-Tree查找所有叶子节点(叶子节点存储了人脸底库的高维特征数据,每一张人脸用一个高维特征向量来表示)下的高维的人脸特征数据x与查询数据(用于查询的人脸图像被抽取成的高维特征数据)q之间的距离满足d(q,x)<r的对象,进一步在返回结果集中通过线性遍历找到距离查询数据q最近的对象,从而实现人脸的识别、匹配。
其中,如图5所示,本实施例基于ARM的实时动态的人脸识别系统的控制步骤如下:
S1、视频采集,通过摄像头采集被识别者的视频序列,受环境光照条件的影响,光线不足的情况下,设备能够通过补光灯自动补光,提升视频图像的质量;
S2、人脸检测,直接在视频序列中进行人脸检测,利用MTCNN(Multi-taskconvolutional neural networks,多任务卷积神经网络)算法进行人脸检测,如果同一图像中存在多张人脸,需要通过取人脸矩形面积最大的脸确定为当前最靠近摄像头的人脸;
S3、人脸特征抽取,从人脸检测模块中获取到人脸图像,利用轻量级人脸识别深度神经网络构建的人脸特征模型进行人脸特征抽取,得到待识别人脸特征数据。本实施例使用的深度神经网络模型采用NCNN高性能神经网络前向计算框架部署,模型应用得到简化。人脸模型采用公开的数据集进行训练,然后利用实际应用场景采集的人脸数据进行算法精度调优,提高实际场景下的识别精度。
S4、人脸识别,利用基于度量空间的人脸索引进行人脸特征数据检索,找到与步骤S3中待识别人脸特征数据距离小于r的对象,取最相近的人脸作为识别目标对象。本实施例采用余弦距离进行相似性度量。具体流程如图6所示,首先在度量空间索引中进行范围查询,深度遍历索引树,找到满足d(x,q)<r的数据对象,加入目标对象集;然后在目标对象集中进行线性遍历,找到距离q最近的对象。如果结果对象存在,则表示识别成功,否则识别失败。
S5、控制通过,如果人脸识别成功,则设备开锁放行。
综上所述,本发明中的人脸识别系统及方法中的以Google MobileNet V2神经网络为基础,将GDConv Block替换掉Google MobileNet V2神经网络的全局平均池化层所构成的深度神经网络作为人脸特征抽取模块,使得神经网络更深,泛化能力更强,鲁棒性更好,能在保证准确率的基础上,快速的提取待识别者的人脸特征数据,进而快速且准确的识别待识别者的身份。
本发明中的人脸检测模块设置在ARM中运行,能能够提升人脸识别在嵌入式环境中的识别精度和实时性,在ARM终端完成人脸识别的全过程,相对于基于服务端进行人脸识别的方式具备更强的实时性,不受网络延时的影响,部署、维护更加方便。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种人脸识别系统,包括:人脸获取模块、人脸特征抽取模块、人脸识别模块以及人脸索引模块;所述人脸获取模块用于获取待识别者的人脸图像,并将所述人脸图像输入所述人脸特征抽取模块;所述人脸特征抽取模块用于从所述人脸图像中提取待识别者的人脸特征数据,并将所述待识别者的人脸特征数据输入至所述人脸识别模块;所述人脸识别模块用于将所述待识别者的人脸特征数据与所述人脸索引模块存储的已知身份的样本数据进行相似度匹配,并根据所述相似度匹配的结果确定待识别者的身份;其特征在于,所述人脸特征抽取模块是以轻量级神经网络为基础,将GDConv Block替换掉轻量级神经网络的全局平均池化层所构成的深度神经网络。
2.根据权利要求1所述的人脸识别系统,其特征在于,所述轻量级神经网络为GoogleMobileNet V2神经网络,所述GDConv Block采用3×3或者5×5的深度分离卷积层堆叠而成。
3.根据权利要求2所述的人脸识别系统,其特征在于,所述人脸获取模块包括视频采集模块和设置在ARM中运行的人脸检测模块,所述采集模块用于采集待识别者的视频序列,并将所述视频序列输入人脸检测模块中;所述人脸检测模块用于从所述视频序列检测出待识别者的人脸图像,并将所述人脸图像输入所述人脸特征抽取模块。
4.根据权利要求3所述的人脸识别系统,其特征在于,所述人脸索引模块包括度量空间,所述度量空间的索引通过支撑点对所述样本数据进行划分,并使用iDistance[2]将所述样本数据映射到一维的线性空间,将所述样本数据以B+-Tree结构进行索引、存储,且使用双支撑点对B+-Tree结构的所述样本数据进行剪枝,剪枝条件如公式(1)所示:
d(pi,q)-d(p(0)q,q)>2×r(1)
其中,r为查询范围,q为查询数据对象,即待识别者的人脸特征数据,p为支撑点,存在n个支撑点序列;d(pi,q)为支撑点pi到查询数据q之间的距离,i=1,2,…,n;
p(0)q为距离q最近的支撑点。
5.根据权利要求4所述的人脸识别系统,其特征在于,所述人脸识别模块用于在所述相似度匹配的结果中选取相似度大于设定阈值,且相似度最高的样本数据所对应的已知身份作为待识别者的身份。
6.根据权利要求5所述的人脸识别系统,其特征在于,还包括控制模块和门禁装置,所述控制模块分别与所述人脸识别模块以及门禁装置连接,所述人脸识别模块还用于识别出待识别者的身份后,将待识别者的身份发送给所述控制模块,所述控制模块用于接收并根据所述待识别者的身份解锁门禁装置。
7.一种人脸识别方法,其特征在于,包括以下步骤:
通过人脸获取模块获取待识别者的人脸图像,并将所述人脸图像输入人脸特征抽取模块;
通过人脸特征抽取模块从所述人脸图像中提取待识别者的人脸特征数据,并将所述待识别者的人脸特征数据输入至人脸识别模块,所述人脸特征抽取模块是以轻量级神经网络为基础,将GDConv Block替换掉轻量级神经网络的全局平均池化层所构成的深度神经网络。
通过人脸识别模块将所述待识别者的人脸特征数据与人脸索引模块存储的已知身份的样本数据进行相似度匹配,并根据所述相似度匹配的结果确定待识别者的目标识别对象。
8.根据权利要求7所述的人脸识别方法,其特征在于,所述轻量级神经网络为GoogleMobileNet V2神经网络,所述GDConv Block采用3×3或者5×5的深度分离卷积层堆叠而成。
9.根据权利要求8所述的人脸识别方法,其特征在于,根据所述相似度匹配的结果确定待识别者的目标识别对象,具体为:在所述相似度匹配的结果中选取相似度大于设定阈值,且相似度最高的样本数据所对应的已知身份作为待识别者的身份。
10.根据权利要求9所述的人脸识别方法,其特征在于,还包括以下步骤:
所述人脸识别模块还在识别出待识别者的身份后,将待识别者的身份发送给控制模块;
控制模块接收并根据所述待识别者的身份解锁门禁装置,使待识别者进入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010425126.9A CN111582224A (zh) | 2020-05-19 | 2020-05-19 | 人脸识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010425126.9A CN111582224A (zh) | 2020-05-19 | 2020-05-19 | 人脸识别系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582224A true CN111582224A (zh) | 2020-08-25 |
Family
ID=72119069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010425126.9A Pending CN111582224A (zh) | 2020-05-19 | 2020-05-19 | 人脸识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582224A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200944A (zh) * | 2020-09-30 | 2021-01-08 | 广州市果豆科技有限责任公司 | 一种结合人脸识别的道闸控制方法及系统 |
CN112766065A (zh) * | 2020-12-30 | 2021-05-07 | 山东山大鸥玛软件股份有限公司 | 一种移动端考生身份认证方法、装置、终端及存储介质 |
CN113792709A (zh) * | 2021-11-15 | 2021-12-14 | 湖南视觉伟业智能科技有限公司 | 快速大规模人脸识别方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868414A (zh) * | 2016-05-03 | 2016-08-17 | 湖南工业大学 | 一种聚类分离的分布式索引方法 |
CN108460123A (zh) * | 2018-02-24 | 2018-08-28 | 湖南视觉伟业智能科技有限公司 | 高维数据检索方法、计算机设备和存储介质 |
CN109190561A (zh) * | 2018-09-04 | 2019-01-11 | 四川长虹电器股份有限公司 | 一种视频播放中的人脸识别方法及系统 |
US20200019759A1 (en) * | 2018-07-11 | 2020-01-16 | Samsung Electronics Co., Ltd. | Simultaneous recognition of facial attributes and identity in organizing photo albums |
CN110705357A (zh) * | 2019-09-02 | 2020-01-17 | 深圳中兴网信科技有限公司 | 人脸识别方法和人脸识别装置 |
CN110728234A (zh) * | 2019-10-12 | 2020-01-24 | 爱驰汽车有限公司 | 驾驶员人脸识别方法、系统、设备及介质 |
CN110826537A (zh) * | 2019-12-05 | 2020-02-21 | 广州市久邦数码科技有限公司 | 一种基于yolo的人脸检测方法 |
CN111105544A (zh) * | 2019-12-31 | 2020-05-05 | 深圳市哈希树科技有限公司 | 无人超市的人脸识别门禁系统及其控制方法 |
-
2020
- 2020-05-19 CN CN202010425126.9A patent/CN111582224A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868414A (zh) * | 2016-05-03 | 2016-08-17 | 湖南工业大学 | 一种聚类分离的分布式索引方法 |
CN108460123A (zh) * | 2018-02-24 | 2018-08-28 | 湖南视觉伟业智能科技有限公司 | 高维数据检索方法、计算机设备和存储介质 |
US20200019759A1 (en) * | 2018-07-11 | 2020-01-16 | Samsung Electronics Co., Ltd. | Simultaneous recognition of facial attributes and identity in organizing photo albums |
CN109190561A (zh) * | 2018-09-04 | 2019-01-11 | 四川长虹电器股份有限公司 | 一种视频播放中的人脸识别方法及系统 |
CN110705357A (zh) * | 2019-09-02 | 2020-01-17 | 深圳中兴网信科技有限公司 | 人脸识别方法和人脸识别装置 |
CN110728234A (zh) * | 2019-10-12 | 2020-01-24 | 爱驰汽车有限公司 | 驾驶员人脸识别方法、系统、设备及介质 |
CN110826537A (zh) * | 2019-12-05 | 2020-02-21 | 广州市久邦数码科技有限公司 | 一种基于yolo的人脸检测方法 |
CN111105544A (zh) * | 2019-12-31 | 2020-05-05 | 深圳市哈希树科技有限公司 | 无人超市的人脸识别门禁系统及其控制方法 |
Non-Patent Citations (1)
Title |
---|
张子昊等: "基于MobileFaceNet网络的人脸识别方法", 《北京航空航天大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200944A (zh) * | 2020-09-30 | 2021-01-08 | 广州市果豆科技有限责任公司 | 一种结合人脸识别的道闸控制方法及系统 |
CN112200944B (zh) * | 2020-09-30 | 2023-01-13 | 广州市果豆科技有限责任公司 | 一种结合人脸识别的道闸控制方法及系统 |
CN112766065A (zh) * | 2020-12-30 | 2021-05-07 | 山东山大鸥玛软件股份有限公司 | 一种移动端考生身份认证方法、装置、终端及存储介质 |
CN113792709A (zh) * | 2021-11-15 | 2021-12-14 | 湖南视觉伟业智能科技有限公司 | 快速大规模人脸识别方法及系统 |
CN113792709B (zh) * | 2021-11-15 | 2022-01-11 | 湖南视觉伟业智能科技有限公司 | 快速大规模人脸识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414368B (zh) | 一种基于知识蒸馏的无监督行人重识别方法 | |
CN107679250B (zh) | 一种基于深度自编码卷积神经网络的多任务分层图像检索方法 | |
CN107577990B (zh) | 一种基于gpu加速检索的大规模人脸识别方法 | |
Lu et al. | Object detection based on SSD-ResNet | |
CN111582224A (zh) | 人脸识别系统及方法 | |
CN104794219A (zh) | 一种基于地理位置信息的场景检索方法 | |
CN102254015A (zh) | 基于视觉词组的图像检索方法 | |
CN109919084B (zh) | 一种基于深度多索引哈希的行人重识别方法 | |
CN111582178B (zh) | 基于多方位信息和多分支神经网络车辆重识别方法及系统 | |
Kawewong et al. | Position-invariant robust features for long-term recognition of dynamic outdoor scenes | |
CN107180079B (zh) | 基于卷积神经网络以及树与哈希结合索引的图像检索方法 | |
CN112966137A (zh) | 基于全局与局部特征重排的图像检索方法与系统 | |
CN111709331A (zh) | 一种基于多粒度信息交互模型的行人重识别方法 | |
CN111583332B (zh) | 基于并行搜索2d-3d匹配的视觉定位方法、系统、装置 | |
CN110309810A (zh) | 一种基于批次中心相似度的行人重识别方法 | |
CN114937306A (zh) | 一种基于人脸聚类的目标追踪方法及系统 | |
CN111125396B (zh) | 一种单模型多分支结构的图像检索方法 | |
CN114693966A (zh) | 一种基于深度学习的目标检测方法 | |
Tongprasit et al. | PIRF-Nav 2: Speeded-up online and incremental appearance-based SLAM in an indoor environment | |
Schlegel et al. | Visual localization and loop closing using decision trees and binary features | |
CN113792709B (zh) | 快速大规模人脸识别方法及系统 | |
Sinha et al. | Image retrieval using landmark indexing for indoor navigation | |
CN108399413B (zh) | 一种图片拍摄区域识别及地理定位方法及装置 | |
CN114863525A (zh) | 一种人脸数据集的构建方法及系统 | |
CN111428063B (zh) | 基于地理空间位置划分的图像特征关联处理方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |
|
RJ01 | Rejection of invention patent application after publication |